首次观测 · 记录 #1软件学报:jos:7712软件学报 语义迁移: 面向云端大语言模型交互的数据隐私保护方法
陈董, 欧阳朋朋, 杨彤, 刘起东, 李亚飞, 谢立伟, 丁少杰, 徐明亮
AI 速览：提出STPP方法，通过语义加密把隐私关键信息迁移到相似逻辑的新场景、再语义解密还原反馈，在保护云端大语言模型交互隐私的同时维持数据效用。
具有强大理解、生成能力的云端大语言模型(cloud large language model, CLLM)已经成为人们日常工作中不可缺少的工具. 然而, CLLM的运行方式意味着用户需要上传原始数据, 这将使得用户的数据隐私安全难以得到有效保障. 现有数据加密方法往往通过添加噪声来改变原始数据形式, 这极易导致数据效用下降, 并影响任务效果. 不同于对原始数据的全盘保护, 将用户数据分为可被识别并用于对齐归属个体的隐私关键信息, 以及不涉及归属问题的普通信息, 并提出保护隐私关键信息, 传递普通信息, 从而在保护数据隐私安全的同时, 维持数据效用. 具体而言, 提出基于语义迁移的用户隐私保护(semantic transfer for privacy protection, STPP)方法. STPP首先基于LLM广泛的先验知识构建语义映射库与语义映射模型, 并通过语义加密将原始信息迁移到具有相似逻辑的新场景. 在获得CLLM反馈后, STPP又通过语义解密将反馈信息还原回原始场景, 从而保护用户数据隐私安全的同时, 降低所提方法对用户使用CLLM体验的影响.
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7736软件学报 代码差异表示在代码提交信息生成中的有效性实证研究
李旻灿, 王国庆, 赵逸凡, 郝丹
AI 速览：该研究实证比较三种不同上下文范围的代码差异表示对六种提交信息生成方法效果的影响。
提交信息生成(commit message generation, CMG)是软件演化与维护领域的重要任务, 其目标是依据给定的代码差异自动生成提交信息. 目前CMG方法普遍基于Git原生差异格式GitDiff构造输入, 该格式通过固定大小的上下文窗口展示变更行附近的代码片段. 然而, 代码差异的表示方式并非唯一, 通过扩大上下文范围可以构造信息更完整的代码差异表示. 具体地, 构建两种不同上下文范围的差异表示形式, 并围绕差异表示形式对CMG质量的影响开展实证研究. 实验使用现有CMG研究常用的MCMD数据集, 选取6种代表性CMG方法, 使用多种度量来分析3种代码差异表示对于CMG方法的效果影响. 实验结果表明, 尽管 GitDiff 在整体平均指标上略占优势, 但其样本胜率(41.5%)并未构成压倒性领先, 表明不同差异表示在不同代码语境下存在明显性能差异. 此外, 差异表示的选择会影响CMG模型性能比较结论, 在25%–50%的样本中, 基于GitDiff得到的模型优劣排序在切换至其他表示后会发生变化, 说明仅依赖单一代码差异表示所得模型性能结论可能存在偏差. 进一步研究发现, 当变更行依赖的关键语义单元超出GitDiff固定上下文窗口的覆盖范围时, 补全这些缺少的关键语义单元可以在一定程度上提升提交信息生成质量. 对此类场景进行系统归纳, 可为实践中代码差异表示的选择提供参考.
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7737软件学报 开源社区新手到核心贡献者的成长路径分析
黄革宇, 谭鑫, 郑凯, 张莉
AI 速览：基于87个项目、45 342名以GFI为初始任务的新手的纵向实证分析，刻画新手向核心贡献者转变的比例、周期与行为特征。
开源软件社区通常采用“good first issue (GFI)”机制, 为新手提供精心筛选的入门任务, 以促进其参与与融入. 理解尝试解决GFI的新手如何逐步成长为核心贡献者, 对于社区的可持续发展至关重要, 这也是GFI机制的核心目标. 以87个开源软件项目中45 342名以GFI作为初始任务的新手为研究对象, 开展一项纵向实证分析. 研究结果表明, 仅有2.3%的新手最终成功转变为核心贡献者, 其在转变过程中累计代码提交次数的中位数为19次, 转变周期中位数为12个月. 进一步分析表明, 新手在贡献行为上呈现出明显的分层特征: 首先, 大量未成功转变的新手在直接性贡献维度上长期处于不活跃状态, 尤其体现在代码提交和问题报告相关活动上; 其次, 在已表现出一定活跃度的新手中, 成功转变者表现出显著更高的参与水平——其提交次数约为其他新手的15倍, 评论数量约为8倍, 协作者数量为3倍, 整体活跃度比例高出28倍. 此外, 成功转变的新手在贡献行为上呈现出更高的波动性与复杂性, 其参与程度随时间逐步提升, 并在较晚阶段达到活跃峰值, 体现出渐进式学习与逐步融入的过程. 相比之下, 未实现转变的新手则表现为长期不活跃, 或仅在早期出现短暂且难以持续的活跃峰值. 在转变速度方面, 研究发现, 更高的沟通波动性、更长的持续活跃周期以及更具选择性的参与节奏与更快的转变相关; 而较高的问题报告活动或长期低活跃状态则与较慢的转变相关. 在项目层面, 控制变量分析结果表明, 项目受欢迎程度越高, 新手转变速度越快; 而历史提交规模越大, 则转变速度相对较慢. 研究为理解开源社区中新手成长路径提供了系统性的实证证据, 并为设计更有效的新手引导与培养策略提供了可操作的参考依据.
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7745软件学报 融合双视角不确定性度量与双代理模型池的DNN测试排序
钱忠胜, 范赋宇, 刘金平, 李玉龙, 刘凯强
AI 速览：提出一种结合输入侧双视角不确定性度量与模型侧双代理模型池的DNN测试输入优先级排序方法，以预测误分类概率并降低标注成本。
深度神经网络(deep neural network, DNN)测试需要大量的测试数据来保证其质量, 但大多数测试输入缺乏标注信息, 且对其进行标注会带来高昂的人工代价. 现有研究提出测试输入优先级方法, 筛选高优先级的测试输入进行标注以降低人工标注成本. 然而, 它们均仅从单一不确定性视角或模型静态行为上考虑测试输入. 一方面, 局限于固定的单一不确定性度量, 会片面刻画测试输入的错误失效风险, 从而降低排序的准确性. 另一方面, 对模型内部结构微小扰动的刻画不充分, 难以揭示其对决策边界动态变化的影响, 易忽视模型的深层脆弱性, 从而降低早期故障检测效率. 基于此, 提出一种融合双视角不确定性度量与双代理模型池的DNN测试输入优先级排序新方法. 该方法以预测测试输入误分类概率, 并构建输入侧与模型侧的风险协同排序机制为核心目标. 首先, 在输入侧, 为突破单一不确定性指标与静态评估的局限, 利用测试时增强(test-time augmentation, TTA)实施动态鲁棒性评估, 并设计双视角不确定性指标, 以识别测试输入在不同扰动下的潜在失效风险, 提高排序整体性能; 其次, 在模型侧, 构建结合深度集成与模型变异微调的双代理模型池, 量化多模型间的预测分歧, 并设计模型内部结构的动态扰动机制, 暴露模型的深层脆弱性, 以提升早期故障检测效率. 最后, 将输入侧潜在失效风险特征与模型侧决策边界脆弱性特征统一表示为误分类特征, 据此特征, 利用轻量级元模型预测测试输入的错误概率并进行排序, 以降低人工标注成本. 通过与9个已有方法在5个实验对象上的对比发现, 所提方法是可行高效的, 在APFD与RAUC-100指标上分别平均提升约11.92%、28.85%.
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7771软件学报 李彤, 吴荣榜, 李清昊, 贾贵, 高翔宇, 范举, 徐恪
大语言模型(large language model, LLM)和生成式引擎正在改变用户获取网络信息的方式. 传统搜索引擎优化主要关注网页能否进入搜索结果并获得较高排名, 而生成式引擎优化则关注网页内容能否被大语言模型采用并呈现在回答中. 然而, 现有研究主要面向英文场景, 面向中文网页和国内生成式平台的系统性生成式引擎优化 (generative engine optimization, GEO)研究仍然缺失. 为此, 构建面向中文场景的生成式引擎优化评测框架, 围绕中文数据集构建、生成式引擎优化策略设计和来源可见度评测开展研究, 并从策略、平台、领域和来源位置等方面分析中文生成式引擎优化的效果. 在此基础上, 进一步比较中文生成式引擎优化与英文生成式引擎优化的差异, 并总结面向中文场景的实践启示.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7669软件学报 黄天泽, 张其阳, 徐梦炜, 李晴, 王尚广, 黄罡, 刘譞哲
星地传输限制已成为当前制约卫星应用时效性的主要瓶颈, 导致海量遥感数据无法及时回传. 卫星计算通过在轨预处理与智能分析将原始数据压缩为轻量化的语义结果, 从而缓解下行压力. 然而, 通过在两颗在轨卫星上进行长期实测发现, 传统的地面静态调度难以适应高动态的太空环境, 导致卫星计算的实际部署面临以下核心矛盾: 卫星在阳照区的太阳能利用率极低, 而激进提升计算负载又易触发系统热失控. 为此, 提出一种环境预测驱动的卫星计算调度方法. 该方法通过模型预测控制, 利用轻量级的环境预测模型(太阳能采集功率、电池及温度模型)在轨构建实时约束边界, 并通过卫星数据处理流水线解耦与主动计算分载策略实现资源的动态优化. 基于在轨实测数据的模拟实验结果表明, 该方法在严格满足卫星能源与温度约束的前提下, 可显著提升在轨计算的端到端数据交付时效性与太阳能利用率.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7670软件学报 谭清泉, 彭聪, 李小红, 何德彪
随着数据安全需求的提升与云计算场景的广泛应用, 如何在不解密的前提下对加密数据进行高效计算已成为密码学研究的重要方向. 全同态加密(fully homomorphic encryption, FHE)能够支持密态计算, 但较高的计算与存储开销限制了其在高吞吐或实时场景中的应用. 为此, 业界提出转密(transciphering)的技术, 即利用同态加密对已有对称加密体系(如AES、SM4)的密文进行同态解密和再计算, 从而有效结合对称密码的紧凑性和同态加密的密态计算能力. 相较于已较为成熟的AES转密研究, 现有SM4转密方案普遍面临乘法深度大、噪声增长快和整体性能受限的问题. 针对上述挑战, 提出一种基于比特切片(bit-slicing)的高效SM4转密实现方案, 并在BGV同态加密框架下完成设计与实现. 该方案通过对SM4 S盒进行布尔建模与算子层级的结构化优化, 显著提升S盒性能; 同时利用比特切片的特性高效实现线性变换, 避免额外的代价较高的同态操作. 最后, 为应对32轮轮函数迭代所需的高乘法深度和噪声积累问题, 设计动态噪声管理模块, 可在噪声预算不足时自动实现密文批量自举操作, 从而保证计算的正确性和可扩展性. 实验结果表明, 所提方案较当前公开的SM4转密实现均取得更优性能: 相较于基于BGV的有限域实现, 吞吐量提升2.35倍; 相较于基于CGGI的布尔电路实现, 吞吐量提升7.04倍.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7671软件学报 孙可钦, 杨秋松, 李明树
在超大规模集成电路物理设计流程中, 芯片分区直接决定后续布局布线的效率与质量. 构建融合多智能体与检索增强的芯片分区布局框架ChipMASRAO, 将多智能体强化学习(multi-agent reinforcement learning, MARL)与检索增强(retrieval-augmented optimization, RAO)技术深度融合. 该系统利用RAO机制从知识库检索历史分区结果作为高质量初始化, 通过MARL进行增量优化和多智能体协同评估, 最终驱动OpenROAD完成布局. 与传统方法每次从零计算不同, ChipMASRAO通过复用历史方案避免重复计算. 在ISPD 2015测试集8个设计上的实验表明: 相较于Baseline和ChipDRAG中性能较好的方法, 半周线长(half-perimeter wirelength, HPWL)总平均改善21.6%; 多智能体评估机制使测试集设计负载平衡度平均提升3.47%. 消融实验证实了RAO的关键作用: 引入RAO后平均超边切割数(Cutsize)降低86.5%, HPWL改进30.4%. 提出“检索-复用-修正”的新型范式, 验证了知识驱动方法在芯片分区问题上的有效性.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7743软件学报 李金海, 李若涵, 胥迤潇, 李默涵, 孙彦斌, 田志宏, 方滨兴
近年来, 以大语言模型和具身智能为代表的面向通用人工智能发展的相关技术快速演进, 其广泛应用在带来巨大潜力的同时, 也引入了复杂的安全风险. 这些风险总体可分为两类: 一类是源于模型缺陷、系统设计或环境不确定性的自发性风险, 另一类是由外部对抗攻击或恶意诱导触发的诱发性风险. 为保障人工智能系统在开放环境中的安全可靠运行, 人工智能保险箍通过风险感知、风险量化与风险熔断这3类核心能力, 为人工智能行为体构建独立的安全保障机制, 使系统具备在行为偏离安全边界时及时识别、风险评估与干预控制的能力. 以人工智能保险箍为研究对象, 系统梳理相关研究进展与关键技术. 首先界定人工智能行为体的基本概念及其潜在失控风险类型. 随后围绕风险感知、风险量化与风险熔断这3个技术维度, 对相关研究进行系统分类与综述, 并分析国内外代表性工作的研究现状. 区别于以威胁检测或单点防御技术为核心的综述, 从构建面向人工智能行为体的底线安全机制这一视角出发, 对人工智能保险箍的技术体系进行整体分析. 最后讨论该领域面临的关键挑战与未来发展方向, 为构建安全可控的人工智能系统提供参考.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7751软件学报 李佳, 张奕彤, 金芝
当前主流大语言模型大多采用自回归生成范式, 需要逐token生成文本, 难以满足实际应用对高效推理的需求. 扩散语言模型通过迭代去噪实现并行解码, 在推理效率上具有一定理论优势, 因而被视为提升大语言模型推理效率的一条重要技术路径. 然而, 现有扩散语言模型的生成质量仍有较大提升空间. 对比解码是一种被广泛证明有效的提升语言模型生成质量的方法, 其核心思想是利用能力较弱的业余分布对能力较强的专家分布进行校正. 然而, 现有对比解码方法主要面向自回归语言模型设计, 通常需要额外引入模型来提供业余分布, 这会显著增加推理开销, 削弱扩散语言模型高效推理的核心优势. 为此, 提出一种面向扩散语言模型的高效对比解码方法DiffuCD. 该方法基于一个关键观察: 在扩散语言模型的去噪过程中, 早期时间步由于可利用的上下文信息有限, 预测质量较低; 随着去噪推进, 预测质量逐步提升. 这一特性天然满足对比解码对分布强弱差异的要求. 基于此, DiffuCD直接将历史时间步的预测分布作为业余分布, 将当前时间步的预测分布作为专家分布, 从而对当前分布进行校正. 在4个扩散语言模型和6个评估基准上进行广泛实验. 实验结果表明, DiffuCD能够在多种模型和任务上稳定提升模型生成质量, 并且在吞吐量和峰值显存占用方面与未使用对比解码的对比方法几乎一致, 较好地保留了扩散语言模型高效推理的理论优势.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7716软件学报 陈小红, 綦艳霞, 阮锟, 林靖凯, 金芝, 钟睿明, 顾斌, 杨孟飞
航天控制系统(aerospace control system, ACS)构成复杂、软硬件交互紧密, 其需求多采用自然语言描述, 固有歧义性及硬件细节引用易出错, 导致需求传递易生偏差, 软件资产跨型号复用困难等问题. 为解决这些问题, 设计面向航天控制系统的系统级需求描述语言SpaceRDL. 其核心贡献在于引入“系统资源”作为其交互环境实体与物理设备的统一抽象, 使工程师能够以结构化方式精确定义对系统资源的操作, 从而在需求描述语言层消除歧义性, 避免引入过多细节. 该语言通过引入系统资源库, 设计具有良定语义的原子操作指令, 实现任务意图向软件实现的自动化映射, 采用SpaceRDL描述的任务需求也成为跨项目迁移的可复用资产. 案例研究表明, 该语言能有效刻画航天控制系统需求, 为构建新一代航天软件工程方法提供切实可行的支撑.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7667软件学报 刘海, 李菲菲, 刘婷婷, 杨雪雪, 王敏红, 张昭理
知识图谱补全是更新知识图谱的重要手段. 然而, 知识图谱通常包含许多复杂关系类型, 导致同一实体在不同的三元组中扮演着不同的角色. 此外, 实体本身蕴含着多样化的属性与语义特征, 不同三元组对实体语义的关注维度不尽相同. 针对上述挑战, 提出一种基于角色交互关系感知的知识图谱补全方法RinKGC, 该方法包含3个模块, 分别是角色线索生成模块、角色交互关系挖掘模块和角色语义增强模块. 具体地, 角色线索生成模块能够准确定位三元组中头实体、关系和尾实体的角色, 增强实体和关系之间的交互, 同时通过残差连接在不同层之间传递语义信息. 角色交互关系挖掘模块将实体和关系的特征维度划分为多个子空间, 并在各子空间中分别建模实体和关系的交互, 实现对不同语义特征的高效感知. 角色语义增强模块则是通过利用互补信息来实现目标实体的准确预测. 此外, 引入Transformer作为主干网络, 揭示不同三元组之间的长距离语义依赖关系. 通过在多个公开知识图谱补全数据集上的大量实验, 展现RinKGC方法获得的优异性能.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7717软件学报 刘源, 张远来, 张仕浩, 李昕原, 赵奕轲, 高明, 兰韵诗, 岳昆
电力行业的数字化进程催生了海量的结构化业务数据, 关键业务对自然语言驱动的高效数据查询需求日益迫切. 然而, 电力数据库普遍存在模式庞大、字段语义模糊和查询复杂等特点, 当前查询方式仍高度依赖人工编写SQL, 效率低且可能导致运维或调度决策错误. 尽管大语言模型(large language model, LLM)与Text-to-SQL技术为该问题提供了新的解决思路, 却因电力领域数据库的自身特点而导致适配性有限. 针对上述挑战, 提出模型无关的Text-to-SQL框架ElectricSQL, 该框架通过LLM模仿学习和SQL视图模式转化, 在不依赖特定商业大模型的前提下提升复杂电力业务查询的SQL生成性能. 同时, 构建一个面向真实电力业务场景的Text-to-SQL基准数据集PowerSQL. 实验结果表明, ElectricSQL在PowerSQL数据集上显著优于主流基线, 且在多类开源LLM上实现了稳定性能增益, 验证了所提方法的有效性并为电力领域自然语言查询系统构建和垂类领域Text-to-SQL研究提供了可复用方案.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7720软件学报 高玉鑫, 黎浩坤, 张书海, 陈卓琨, 马钟, 魏璐, 许守恺, 游增 等 11 位作者
随着深度学习模型在嵌入式与边缘设备中的广泛应用, 传统依赖完整测试集的模型评估方法因其高昂的计算开销与资源消耗, 难以满足低延迟且高效率的部署需求. 现有数据集选择方法往往难以兼顾评估精度与高压缩比, 导致性能估计偏差显著. 为此, 提出一种预测不确定性感知的测试集选择(prediction-uncertainty-aware test set selection, PUA-TSS)方法, 旨在通过构建高信息量的代理测试集, 实现对模型性能的高效准确评估. 该方法首先利用模型预测输出的信息熵量化样本不确定性, 对测试样本进行任务驱动排序; 在此基础上, 采用等间隔均匀采样策略, 保留关键分布特征, 尤其缓解长尾场景下稀有类别的丢失问题, 从而在低采样率下维持评估的敏感性与一致性. 在图像分类和目标检测以及分割等多个任务上的基准数据集及多种模型架构上的实验表明, 所提方法在仅保留5%测试样本的情况下, 代理集评估结果与完整测试集评估的平均绝对偏差分别控制在0.71个百分点 (分类)、2.90个百分点 (检测)以及0.40个百分点 (分割)以内, 显著优于随机采样与现有数据集压缩方法. 进一步地, 在评估不同位宽的量化模型时, 性能评估误差稳定控制在5个百分点以内, 且无需为各模型变体重复构建代理集或执行完整评估. 实验结果验证了PUA-TSS方法在大幅降低模型评估计算成本的同时, 具备高精度与强鲁棒性以及良好泛化能力, 为资源受限环境下的模型评估提供了一种有效解决方案.
尚无 AI 解读，展示原文摘要
cs.* · cs.CV
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7723软件学报 万俊棋, 马自强, 高菲, 张增旺, 蒲通骏, 冯小旭
Spectre V1漏洞利用处理器推测执行机制窃取敏感数据, 对闭源二进制程序的检测尤为困难——静态分析易产生高误报, 动态模糊测试则存在覆盖受限、报点噪声大的问题. 为解决这一问题, 提出一种名为ConSpec的二进制Spectre V1检测方法. 该方法先通过轻量BERT模型对反汇编指令序列进行语义建模, 结合Spectre V1的汇编语义模式, 生成函数级置信度以量化漏洞可疑度; 再依据置信度将函数划分为高、中、低风险区, 通过白名单驱动的定向插桩与分级配置, 并采用覆盖率引导的模糊测试驱动插桩后的程序反复执行以采集漏洞证据, 让检测资源集中投向高风险区域, 同时控制整体开销. 针对动态验证报点存在噪声且覆盖受限导致遗漏的问题, 引入窗口级二次确认机制, 通过匹配特定语义模板与局部寄存器追踪, 验证漏洞相关的关键证据链, 实现误报筛选与漏报补充. 实验结果表明, ConSpec能完整覆盖15种已知Spectre V1利用模式. 在jsmn、brotli、OpenSSL等5个真实程序上的测试显示, 与Teapot相比, ConSpec的精确率平均提升约24.3个百分点, F2分数平均提升约24.4个百分点, 相对漏报率整体下降; 平均耗时由1159.7 min降至774.3 min, 降幅为33.2%.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7726软件学报 严欣芃, 张向宇, 范玲玲, 苏煜程, 陈森, 刘哲理, 操晓春
Android生态系统的开放性与碎片化使其面临着持续演进且日益复杂的安全威胁, 越来越多的恶意攻击者使用运行时分析技术来窥探应用逻辑、篡改执行流程, 从而规避Android安全措施, 加强恶意行为的持久性与影响范围. 反运行时分析(anti-runtime analysis)技术通过检测运行时分析行为, 使用户与开发者能够及时发现并采取防护措施, 保障应用完整性与数据安全. 目前, 研究人员已提出多种基于静态数据库的反运行时分析方法, 即收集已知运行时分析技术的特征情报, 将从设备中提取的信息与其进行匹配, 从而发现运行时分析技术的痕迹. 但这类方法存在“知识滞后”问题, 且分析深度和结果可解释性不足, 使其在高速迭代的运行时分析技术面前愈发乏力. 为此, 提出并实现一个基于威胁情报驱动的多智能体Android反运行时分析方法——AIntel-Agent, 该方法利用智能体技术构建动态知识库, 从Root、Hook、调试、虚拟环境、篡改这5类运行时分析技术的特征出发对设备指纹进行深度分析, 自动化、智能化地完成Android反运行时分析任务. AIntel-Agent通过智能体协作框架的设计, 提出一种从互联网实时获取威胁情报构建动态知识库的方法, 并构建循环推理机制使智能体将设备指纹与运行时分析技术的特征关联, 形成设备反运行时分析报告. 基于现实设备数据集的实验结果表明, AIntel-Agent在Android设备达到88.5%的精确率与93.9%的召回率, 其风险报告具备充足证据与可解释性, 证明了其在Android反运行时分析中的有效性.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7631软件学报 裘王辉, 胡诗彦, 郭晨娟, 史文兵, 江兴元, 余理娜, 高明, 张晖 等 10 位作者
地质灾害对人民生命财产和生产活动构成严重威胁. 随着数据获取与处理技术的进步, 数据驱动的地质灾害防控方法已成为研究热点. 按照“数据-治理-分析-决策”的范式, 系统构建数据驱动的地质灾害防控技术综述框架. 在数据基础层面, 提出研究对象、时间尺度和数据模态三元组框架, 为多源异构数据的系统化整合提供分类视角. 在数据治理层面, 针对数据不一致性、低分辨率、缺失与不平衡以及不确定性等质量问题, 系统总结相应治理策略. 在数据分析层面, 围绕“灾害在哪里”和“何时发生”两大核心问题, 将地质灾害分析任务分解为区域风险评估、影像灾害识别、地表位移预测和地灾概率预测这4类, 并归纳数据驱动方法亟需具备的自动化、通用性、鲁棒性、可解释性和轻量化这5大关键特性. 在智能决策层面, 构建灾前、灾中、灾后3阶段决策框架, 系统分析各阶段核心决策问题, 明确从风险评估到应急响应再到恢复重建的全流程数据驱动决策路径, 并对基于多智能体协同的未来决策模式进行了展望. 期望通过本综述, 为数据驱动的地质灾害防控领域的研究与实践提供系统性参考, 推动防灾减灾向数字化、智能化方向转型发展.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7718软件学报 常建明, 徐晨杰, 叶祁超, 王璐璐, 李必信
动态程序切片是一种重要的程序分析技术, 能够在给定程序输入与执行轨迹的情况下提取实际影响切片准则的代码语句, 在程序调试、缺陷定位和程序理解等任务中具有重要应用价值. 然而, 现有动态程序切片方法在大规模软件系统中仍面临分析成本高、依赖关系建模复杂以及跨过程依赖分析困难等问题. 近年来, 研究者尝试利用大语言模型生成动态程序切片, 但现有方法多针对小规模程序设计, 且由于缺乏执行信息约束, 切片准确率仍然有限. 针对上述问题, 提出一种面向动态程序切片生成的多智能体协同框架 AgentDSlicer. 该方法通过程序执行推理、切片生成、结果验证与切片精化等多个智能体的协同工作, 在不依赖真实程序执行信息的前提下实现执行相关的动态程序切片. 为支持系统化评估, 进一步构建人工标注的动态程序切片数据集 DySliceBench, 该数据集包含来自 CodeNet 与 GitHub 开源项目的2 543 个动态切片实例, 覆盖 Java 与 Python 两种编程语言. 实验结果表明, 在 DySliceBench 数据集上, AgentDSlicer 的切片准确率相较现有方法平均提升30.4%, 相较于当前最先进的 LLM 动态切片方法ND-Slicer 提升32.1%; 在大规模程序场景下, 准确率提升可达 60.1%. 此外, 在程序调试与缺陷定位等应用场景中的实验进一步验证了该方法的有效性. 研究结果表明, AgentDSlicer 能够在保证分析准确性的同时有效提升动态程序切片在真实软件项目中的适用性.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7719软件学报 梁培虹, 赵艳琦, 杨晓艺, 秦宝东, 袁庆军, 禹勇
适配器签名作为一种扩展的数字签名, 实现了签名与秘密值的绑定, 被广泛应用于区块链支付通道、跨链原子交换及供应链金融等场景. 然而, 适配器签名采用的单一密钥控制模式, 使其面临着密钥泄露的风险. 若出现密钥丢失、泄露或损坏的情况, 将直接导致所有依赖该密钥的资源失控. SM9数字签名是我国自主研发的基于标识的密码算法, 于2020年成为国家密码标准, 被广泛应用于政务、金融、能源等关键行业. 然而, SM9数字签名在分布式场景下跨链原子交换的复杂协作时, 功能表现出一定的局限性. 为拓展SM9算法在分布式场景的适配性, 提出SM9门限适配器签名方案, 通过将密钥分发给多个参与方共同管理, 解决SM9适配器签名单点失败的问题; 为降低多方参与者的通信轮数及计算开销, 结合秘密共享与安全多方计算协同构造的方法, 将算法中的复杂运算转化为高效的本地线性运算, 使其在无需暴露任何秘密份额的前提下, 即实现多方协同计算; 此外, 所构造的方案还可进一步应用于公平交换等场景. 相比于已有方案, 所提方案的计算开销降低了60.17%, 同时, 通信开销的复杂度从原有的O(n2)降至O(n).
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7721软件学报 宣智博, 游心, 杨海龙, 杜劭康, 雷克伦, 陈景琦, 霍达, 张子峥 等 12 位作者
高性能计算(high performance computing, HPC)的迅猛发展推动了硬件架构与并行编程模型的协同演进. 然而, 随着摩尔定律的失效与登纳德缩放定律的终结, 单纯依赖硬件迭代已无法显著提升应用的可获得性能, 导致应用实测性能与硬件峰值算力(peak performance)之间的鸿沟日益扩大. 因此, 软件层面的深度优化成为挖掘硬件潜力、提升计算效率的关键途径. 历经数十年发展, 领域内已形成了性能数据采集、性能分析与性能优化的完整工作流. 系统综述多并行尺度下的性能数据采集与分析方法与其技术基础, 深入分析现有方法与工具在指令、线程及进程等不同并行尺度下的优势与局限. 同时, 重点探讨人工智能(artificial intelligence, AI)作为新兴计算负载与智能化分析手段的双重角色对本领域的深远影响, 旨在为高性能计算性能工程的研究与实践提供前沿视角与有价值的参考.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7722软件学报 梁鸿翔, 王文俊, 焦鹏飞, 李天鹏, 赵东岩
图对比学习(graph contrastive learning, GCL)近年来在社交网络、推荐系统和生物信息学等领域中受到广泛关注, 其通过构建正负样本对引导模型学习, 有效缓解了对大量标注数据的依赖. 然而, 图数据的复杂性导致现有GCL方法在实际应用中面临语义漂移问题, 即在增强过程中由于随机扰动或无意义修改使节点或图的语义发生偏移, 从而引发正负样本定义不准确. 此外, 传统图编码器未能有效区分不同邻居之间的语义关系, 进一步放大了语义混淆. 为了解决这一问题, 提出一种基于样本语义匹配的解耦图对比学习(disentangled graph contrastive learning based on semantic matching, SMDGCL)方法. 该方法引入解耦图卷积网络, 通过分离不同的潜在语义因素来优化节点嵌入, 提高了图对比学习在复杂网络环境中的鲁棒性和准确性. 在6个基准数据集上的实验验证了该方法在缓解语义漂移和提升对比学习性能方面的有效性.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7724软件学报 常胜, 葛朋林, 方阳, 赵翔, 王鑫
随着自主智能体系统的发展, 如何在复杂环境中维持结构一致性、支持长程依赖推理并组织多阶段任务执行已成为智能体研究的重要问题. 然而, 现有智能体范式在处理长程依赖与跨阶段目标协调等复杂任务时, 仍面临全局一致性难维护与策略组织效率受限等问题. 为提升智能体的结构化建模与组织能力, 图结构被引入智能体系统中, 为环境表示、任务调度与认知维护提供结构化支撑. 基于此, 从图在智能体系统中的功能定位和嵌入位置出发, 提出图智能体这一统一分析框架. 该概念是指以图结构作为核心的智能体范式, 并据此对相关研究进行系统梳理. 重点分析图作为结构载体如何嵌入智能体的感知、推理、记忆与协作过程之中. 围绕这一分析框架, 将现有研究中图所承担的功能角色归纳为3类: 图用于环境建模、图用于依赖建模和图用于思维建模, 分别刻画图结构在环境表示、任务调度与认知维护中的不同作用机制. 在环境建模中, 图作为外部结构表达工具, 用于刻画实体关系、状态转移与行动空间, 为策略生成提供结构化环境描述与约束基础; 在依赖建模中, 图用于表示子任务依赖关系、协作结构与决策路径, 支持多智能体协同、任务分解与执行调度; 在思维建模中, 图嵌入内部推理与记忆更新过程, 形成可持续演化的内部认知结构. 在此基础上, 进一步比较3类功能角色在结构作用、运行开销和适用边界上的差异, 并梳理现有研究采用的评测指标、任务基准与基线设置. 进一步分析图智能体在开放动态环境、复杂执行过程和长期交互场景下的局限与挑战, 最后对未来研究方向进行展望.
尚无 AI 解读，展示原文摘要
cs.* · cs.AI · cs.MA
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7727软件学报 吕培卓, 赵睿智, 隋佩杭, 杨茜云, 梁瑞刚, 孙伟松, 陈宇轩, 陈恺
随着以大模型(large language model, LLM)为核心的智能编程助手逐渐重塑软件工程范式, AI生成的代码已成为关键的数字资产, 而由此引发的知识产权归属模糊与软件供应链安全风险也日益严峻. 代码水印作为数字版权确权与溯源的“数字锚点”, 在编程语言严格的语法约束与低信息熵环境下, 面临独特的挑战. 针对当前研究中存在的技术方案分散、评估体系不完整等问题, 从模型全生命周期的系统性视角出发, 对现有研究进行系统性分类与理论模型构建. 首先, 提出一种基于生命周期的新型分类框架, 将现有技术精准归纳为训练时的后门触发、推理时的采样偏置嵌入以及生成后的语义重述嵌入这3大范式, 并深度解析其运作机理与演进路径. 其次, 深入剖析代码水印关键性能指标之间的制约关系, 揭示在当前技术条件下保真度、鲁棒性与水印容量之间存在的内在矛盾与权衡逻辑. 此外, 引入对抗博弈视角, 剖析破坏、欺骗及探测等攻击手段, 并梳理从功能一致性到对抗溯源能力的评测基准. 最后, 针对现有技术在工程化可用性和全生命周期评测方面的不足, 展望面向DevOps (development and operations)全链路的动态防护与生态集成等未来研究方向, 旨在推动相关技术由概念验证阶段迈向工业级应用场景.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7666软件学报 陈逸啸, 屈志昊, 吕沈欢, 叶保留, 唐斌
联邦学习(federated learning, FL)作为一种保护隐私的分布式机器学习范式, 能够在无需集中本地数据的前提下, 利用边缘节点资源协同训练机器学习模型, 近年来受到学术界与工业界的广泛关注. 然而, 基于中央参数服务器 (parameter server)的传统中心化联邦学习 (centralized federated learning, CFL)存在单点故障风险和通信瓶颈等固有局限, 制约了其在大规模分布式环境中的鲁棒性和可扩展性. 去中心化联邦学习(decentralized federated learning, DFL)采用P2P (peer-to-peer)通信架构实现模型同步和协同训练, 显著提升系统的容错能力和扩展性, 成为分布式机器学习领域的前沿研究方向. DFL在隐私保护与学习效率方面具有一定优势, 但仍面临4大核心挑战: (1)分散节点在动态网络环境下难以实现高效协同; (2)异构数据特性加剧了模型融合的困难; (3)计算、存储及通信资源的异构性与动态性难以优化协调; (4)高度开放的去中心化架构对隐私安全保障提出更严峻挑战. 针对上述挑战, 从系统架构设计、异构数据融合、资源优化机制和隐私安全增强这4个层面总结并分析近年来的研究进展, 比较不同技术的优势和劣势, 总结当前阶段DFL的主要研究趋势, 并对未来发展方向进行展望.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7668软件学报 黄之荣, 张骞, 程德波, 张桂衔, 王懿, 张师超
个体治疗效应(individual treatment effect)旨在精确度量治疗对个体的因果作用, 是实现个性化决策的关键. 然而, 在网络观测数据(networked observational data)中, 反事实结果的不可观测性与个体间因网络连接而产生的复杂依赖和混杂因素相互交织, 给精准估计个体治疗效应构成了巨大的挑战. 现有研究通常通过在处理组和对照组之间实现分布平衡, 以训练模型预测个体的反事实结果并估计治疗效应, 但该策略往往局限于粗粒度的全局分布对齐, 忽视了局部结构在反事实构建中的作用, 从而可能引入额外偏差. 为了解决上述问题, 提出一种基于局部结构感知的反事实样本构建(local structure-aware counterfactual sample construction, LSCSC)方法, 以提升网络化场景下的因果效应估计精度. LSCSC是一种基于K最近邻 (K-nearest neighbours, KNN)引导的方法, 其核心思想是为个体匹配具有相反治疗分配且反事实预测结果与个体观测结果相近的邻居, 从而构建局部结构感知的反事实参考样本. 通过显式建模局部结构依赖关系, LSCSC增强了个体协变量之间的对齐, 有效缓解了由混杂因素与网络结构共同导致的偏差. 此外, LSCSC集成了表征平衡学习模块, 以进一步适应协变量的异质性. 值得注意的是, LSCSC具有良好的通用性, 可与多种因果效应估计模型无缝结合. 基于真实社交网络的两个半合成数据集的实验结果表明, LSCSC在个体治疗效应估计的准确性上显著优于现有最先进方法, 验证了其有效性与优越性.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7700软件学报 宋宇波, 杨尚华, 刘颖, 张颖, 郑天宇, 高尚, 陈立全
环签名在区块链等场景中为多输入交易提供了关键的匿名性保障. 然而, 现有基于One-out-of-many证明的方案在处理拥有多个输入(k＞1)的场景下存在不足: 签名大小随真实签名者数量k呈线性增长, 且k的公开暴露也削弱了匿名性. 为此, 提出一种ring-constrained any-out-of-many证明方案. 该方案在协议层面引入二元代数约束, 确保签名者集合非空, 并在零知识证明中仅证明“至少一名成员参与”, 从而避免泄露真实签名者数量, 实现人数匿名性. 进一步地, 通过将布尔选择向量的约束编码为线性内积条件, 证明关系能够被高效归约为内积形式, 从而支持对数级压缩. 基于该核心协议, 构造一个人数匿名的高效多方环签名方案, 其签名大小仅为$ 2\left\lceil {\log }_{2}N\right\rceil +16 $, 且与签名者数量k无关. 实验结果表明, 在所设实验参数下, 所提方案在通信开销控制和真实签名者数量隐藏方面表现出较好效果, 为去中心化系统中的多方匿名签名应用提供了一种可行路径.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7728软件学报 刘运东, 黄梦蝶, 苗美霞, 罗向阳
加密网络流量分类是网络安全防护的关键环节, 对于识别潜在威胁和维护网络信息安全具有重要意义, 因此得到学术界和产业界的广泛关注. 对目前基于深度学习的加密网络流量分类技术进行系统梳理和深入分析: 首先阐述加密网络流量分类任务的核心特点, 包括流量的加密性、多样性和动态性. 同时分析该任务所面临的诸多挑战, 包括特征隐匿性、标注样本缺乏以及流量动态变化. 然后从这3个挑战出发, 梳理一系列前沿方案. 其中, 针对特征隐匿性问题, 主要介绍基于多层感知机、卷积神经网络、自编码器、循环神经网络、图神经网络、Transformer、大语言模型以及混合模型的网络流量分类算法; 针对标注样本缺乏问题, 主要介绍基于元学习、半监督学习、生成对抗网络以及预训练模型的网络流量分类算法; 针对流量动态变化问题, 主要介绍面向未知类别、概念漂移以及对抗攻击的网络流量分类算法. 接着介绍常用的加密网络流量数据集及评价指标, 以帮助读者全面评估不同算法的性能和适用性. 最后对已有工作存在的问题进行归纳和总结, 并结合当前技术发展趋势和实际需求展望未来研究方向.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7652软件学报 郑裕恒, 宋日荣, 陈俊洁, 陈星
在敏捷开发与持续交付模式的推动下, 安卓应用的迭代周期日益缩短, 测试时间窗口被大幅压缩. 分布式测试扩展测试资源以提升并行执行能力, 有效保障了在高速迭代中安卓应用的交付质量. 尽管目前已有诸多工具致力于优化单设备上的测试效果, 但如何在有限资源和时间条件下进一步提升安卓应用自动化测试的并行效率, 仍然是一个亟待解决的关键问题. 提出一个名为Distroid的分布式自动化测试框架, 该框架对整体状态空间进行划分, 并引导各设备在测试过程中分别探索不同的UI子区域, 从而实现对安卓应用的自适应探索. 基于此协同机制, Distroid在每台测试设备上实施双层引导以提升测试质量与效率: 一方面, 通过好奇心驱动的强化学习构建高质量操作序列, 编码复杂用户交互的时序逻辑关系, 其奖励函数整合应用状态相似度计算方法, 在探索过程中提供底层引导. 另一方面, 为了避免陷入局部最优, Distroid在运行时逐步构建一个确定性有限自动机(deterministic finite automaton, DFA), 为测试提供高层次引导, 从而进一步提升测试效率与质量. 为验证Distroid的有效性, 在30款真实安卓应用上对其进行评估. 实验结果表明, Distroid在故障检测率、代码覆盖率和测试效率方面, 均优于现有最先进的安卓应用测试方法. 此外, Distroid共检测出41个故障, 其中26个此前尚未被报告.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7715软件学报 刘丰毓, 张源, 张淇伊, 陈添, 施游堃, 杨珉
越权漏洞是Web应用中极为常见且危害显著的一类漏洞. 攻击者可利用该漏洞对受保护资源执行未授权读取或操作, 造成敏感数据的泄露或篡改. 黑盒检测是一类被普遍采用的越权漏洞检测方式, 其通过分析HTTP请求与响应来检测漏洞. 然而, 由于缺乏对请求响应语义的理解, 现有方法既难以区分读取类请求返回的是公开响应还是敏感响应, 也无法准确识别操作类请求的反馈响应, 产生较多误报和漏报. 为解决上述问题, 提出一种基于大模型语义理解的越权漏洞黑盒检测方法. 通过提取请求响应中的敏感资源、业务功能语义, 构建多维语义增强的请求响应图, 有效区分敏感响应、识别反馈响应, 从而准确检测读取类、操作类越权. 基于上述方法实现了越权漏洞检测原型系统BACHunter. 实验结果表明, 在包含10个真实Web应用的数据集中, BACHunter共检测出62个越权漏洞, 其中14个为0-day漏洞, 精确率、召回率分别为93.94%、88.89%, 较现有先进检测方法分别提升23.30%、25.93%. 目前已获11个CVE编号, 验证了其实际应用价值.
尚无 AI 解读，展示原文摘要
cs.* · cs.CL
软件学报 · 2026 · 正式发表
首次观测 · 记录 #1软件学报:jos:7725软件学报 吴思源, 李昊, 张敏, 陈亚青, 冯登国
联邦学习(federated learning, FL)作为一种分布式机器学习范式, 在保障用户数据隐私方面展现出一定优势. 然而, 其多方参与机制也为成员推理攻击(membership inference attack, MIA)提供了潜在威胁途径. 当前针对联邦学习场景的MIA研究多基于简化的非共谋威胁模型和有限的成员关系信息, 可能低估了实际环境中的隐私泄露风险. 通过系统分析发现, 在联邦学习过程中, 由于客户端的部分参与训练以及全局模型的聚合机制, 成员样本所对应的度量指标(如损失值)呈现出显著的周期性波动特征, 从而增强了成员与非成员样本之间的可区分性. 这一规律为MIA提供了新的可利用信号. 基于此, 提出针对联邦学习场景的成员推理攻击——信号节拍攻击STMIA (signal tick membership inference attack) , 融合多维度指标的周期性特征, 构建具有强区分能力的攻击信号, 并利用共谋客户端的共享数据构建攻击模型. 实验结果表明, STMIA在AUC与TPR@0.1% FPR等关键评估指标上均优于现有主流方法, 有效揭示了真实联邦学习场景中模型存在的深层隐私泄露风险.
尚无 AI 解读，展示原文摘要
cs.*
软件学报 · 2026 · 正式发表